融合黄金正弦混合变异的自适应樽海鞘群算法

一、理论基础

1、樽海鞘群算法

请参考这里。

2、樽海鞘群算法的改进

（1）精英个体引导和自适应权重

本文提出了一种结合精英个体引导和自适应权重的改进策略，该方法中，追随者的更新由式(1)、(2)完成。$$x_j^i=\{\begin{array}{l}\frac{1}{2}\left(w(t)\times x_j^i+(1-w(t))\times x_j^{i-1}\right),f(x_j^{i-1})<f(x_j^i)\\ \frac{1}{2}\left(x_j^i+x_j^{i-1}\right),f(x_j^{i-1})=f(x_j^i)\\ \frac{1}{2}\left((1-w(t))\times x_j^i+w(t)\times x_j^{i-1}\right),f(x_j^{i-1})>f(x_j^i)\end{array}\text{\hspace{1em}(1)}$$$$w(t)=w_s-(w_s-w_f)\times \frac{2}{\pi }\arcsin \frac{t}{T_{\max }}\text{\hspace{1em}(2)}$$其中，$w(t)$为自适应递减的权重因子，$f(\ast )$为个体的适应度值，$w_s$和$w_f$分别为权重因子的初始值和最终值，经过多次实验发现，当$w_s$取0.5，$w_f$取0.1时，算法的寻优结果最好。为了更直观地看出权重因子的变化过程，图1给出了$w$随迭代过程的变化曲线图。

图1 权重因子迭代曲线

由式(1)、(2)和图1可知，随着迭代过程的进行，$w$将从$w_s$逐渐减小到$w_f$，非精英个体所占的权重将随之逐渐减小，而精英个体所占的权重将逐渐增大，追随者将始终以精英个体为导向进行移动，从而降低其因盲目跟随前一个个体而错过较优位置的几率，提升算法的收敛速度与精度。

（2）黄金正弦领导策略

本文将黄金正弦算法作为一种优化算子引入到SSA算法中以改变领导者移动方式，在AGHSSA中，领导者的位置更新由下式完成：$$x_j^i=x_j^i\times |\sin R_1|-R_2\times \sin R_1\times |x_1\times F_j-x_2\times x_j^i|\text{\hspace{1em}(3)}$$其中，$R_1$和$R_2$为随机数，$R_1$决定下一次迭代中个体的移动距离，$R_1\in [0,2\pi ]$，$R_2$决定下一次迭代第$i$个个体的位置更新方向，$R_2\in [0,\pi ]$；$x_1$和$x_2$是通过引入黄金分割数得到的系数，这些系数缩小了搜索空间引领个体逐步趋近最优值，保证了算法的收敛性，黄金分割数是一个定义为$\frac{\sqrt{5}-1}{2}$的无理数，记为$\tau$，$x_1=-\pi +(1-\tau )\times 2\pi$，$x_2=-\pi +\tau \times 2\pi$。
黄金正弦领导策略能够有效改善基本SSA算法中存在的不足，并且具备被移植到基本SSA算法中的条件，由此可以得出结论，黄金正弦领导策略适用于樽海鞘群算法。

（3）邻域重心反向学习与柯西变异

（1）邻域重心反向学习
为了更好地引导个体寻优，本文将邻域重心反向学习融入到基本SSA中。
设当前迭代的最优解(食物源)位置为$F(F=(F_1,F_2,\cdots ,F_D))$，邻域重心$M$为整个樽海鞘种群的重心，则其经邻域重心反向学习后的解$\breve{F}(\breve{F}=({\breve{F}}_1,{\breve{F}}_2,\cdots ,{\breve{F}}_D))$的计算方式如下：$$\breve{F}=2\times k\times M-F\text{\hspace{1em}(4)}$$$$M=\frac{x_1+x_2+\cdots +x_n}{n}\text{\hspace{1em}(5)}$$其中，$k$为$[0,1]$区间内均匀分布的随机数。
（2）柯西变异
本文将柯西变异算子引入到SSA中对食物源位置进行扰动，计算方式如下：$$F^{\prime }=F+F\times Cauchy(0,1)\text{\hspace{1em}(6)}$$其中，$F^{\prime }$为食物源经柯西变异后产生的新位置。
（3）混合变异
为提升算法寻优能力，AGHSSA将等概率的交替执行邻域重心反向学习策略和柯西扰动策略，动态地更新食物源位置，混合变异计算方式如下：$$F_{new}=\{\begin{array}{l}2\times k\times M-F,R_3<0.5\\ F+F\times Cauchy(0,1),R_3\ge 0.5\end{array}\text{\hspace{1em}(7)}$$其中，$R_3$为$[0,1]$区间内均匀分布的随机数，$F_{new}$为食物源经混合变异后产生的新位置。
为了进一步提升算法收敛精度，AGHSSA在混合变异完成后将依据贪婪原则决定是否更新食物源位置，即当变异后个体的适应度优于原个体时，才对食物源进行位置更新，否则保留原食物源位置信息。

（4）算法描述

AGHSSA算法的具体执行步骤如下：
步骤1 设置种群规模$N$，最大迭代次数$T_{\max }$，问题维数$D$，权重因子初始值$w_s$和最终值$w_f$。
步骤2 初始化樽海鞘群，计算种群内每个个体的适应度值并排序，记录当前最优个体的位置及其适应度值，将其作为食物源。
步骤3 更新领导者和追随者位置。生成随机数$R_1$、$R_2$，根据式(2)更新权重因子$w$，选取种群中前一半樽海鞘个体按式(3)更新领导者位置，另一半个体按式(1)更新追随者位置。
步骤4 计算更新后种群的适应度值，并更新食物源位置。
步骤5 混合变异。生成随机数$k$、$R_3$，按式(5)计算种群重心$M$，通过式(7)对步骤4得到的解(食物源)进行变异产生一个新解，并用目标函数对得到的新解进行评估，如果新解的适应度值比原解更好，则用新解代替原来的解，否则保留原解。
步骤6 重复步骤3~5，如果达到最大迭代次数，则终止算法，输出全局最优解。

二、仿真实验结果与分析

本文选取了基本樽海鞘群算法(SSA)、基本鲸鱼算法(WOA)、基本蝴蝶优化算法(BOA)与本文算法AGHSSA进行对比，为体现实验的公平性，将所有算法的种群规模设置为40，最大迭代次数为1000，每个算法独立运行30次，其余各算法的具体参数设置与相应的文献一致。以文献[1]中30维(F5为2维)的F1、F2、F3、F5、F8、F9、F10、F11为例。
结果显示如下：

函数：F1
SSA：最差值: 1.4875e-08,最优值:7.5145e-09,平均值:1.0231e-08,标准差:2.1408e-09
WOA：最差值: 1.5352e-164,最优值:7.506e-185,平均值:9.7909e-166,标准差:0
BOA：最差值: 1.9301e-14,最优值:1.5159e-14,平均值:1.7465e-14,标准差:1.0089e-15
AGHSSA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F2
SSA：最差值: 3.9261,最优值:0.003065,平均值:0.67195,标准差:0.87849
WOA：最差值: 9.8563e-107,最优值:8.1914e-118,平均值:7.3371e-108,标准差:2.3892e-107
BOA：最差值: 1.148e-11,最优值:2.6339e-12,平均值:9.8722e-12,标准差:2.4076e-12
AGHSSA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F3
SSA：最差值: 619.3934,最优值:29.9383,平均值:139.1345,标准差:117.5736
WOA：最差值: 29363.9582,最优值:2150.6508,平均值:14099.8192,标准差:7908.9541
BOA：最差值: 1.9464e-14,最优值:1.5512e-14,平均值:1.7468e-14,标准差:9.1192e-16
AGHSSA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F5
SSA：最差值: 1.6166e-15,最优值:7.9188e-18,平均值:3.1331e-16,标准差:3.7451e-16
WOA：最差值: 0,最优值:0,平均值:0,标准差:0
BOA：最差值: 2.4613e-15,最优值:4.5192e-21,平均值:1.4005e-15,标准差:5.5476e-16
AGHSSA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F8
SSA：最差值: 1.6858,最优值:0.00030079,平均值:0.17157,标准差:0.35396
WOA：最差值: 612.6238,最优值:313.7488,平均值:458.6354,标准差:82.7523
BOA：最差值: 1.8773e-14,最优值:1.4528e-14,平均值:1.6939e-14,标准差:1.0995e-15
AGHSSA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F9
SSA：最差值: 107.4553,最优值:23.879,平均值:53.9267,标准差:18.109
WOA：最差值: 5.6843e-14,最优值:0,平均值:1.8948e-15,标准差:1.0378e-14
BOA：最差值: 179.5808,最优值:0,平均值:5.986,标准差:32.7868
AGHSSA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F10
SSA：最差值: 3.7857,最优值:2.2838e-05,平均值:1.9184,标准差:0.86873
WOA：最差值: 7.9936e-15,最优值:8.8818e-16,平均值:4.6777e-15,标准差:2.6279e-15
BOA：最差值: 1.354e-11,最优值:2.6157e-12,平均值:1.1113e-11,标准差:2.044e-12
AGHSSA：最差值: 8.8818e-16,最优值:8.8818e-16,平均值:8.8818e-16,标准差:0
函数：F11
SSA：最差值: 0.02461,最优值:2.0881e-08,平均值:0.006977,标准差:0.0085766
WOA：最差值: 0.05678,最优值:0,平均值:0.0043751,标准差:0.013689
BOA：最差值: 5.107e-15,最优值:0,平均值:1.0917e-15,标准差:1.3952e-15
AGHSSA：最差值: 0,最优值:0,平均值:0,标准差:0

结果表明，本文所提出的改进策略可以显著提升SSA算法的寻优能力，相比于其他较新的群智能优化算法仍然具有较强的竞争力。

三、参考文献

[1] 周新, 邹海. 融合黄金正弦混合变异的自适应樽海鞘群算法[J]. 计算机工程与应用, 2021, 57(12): 75-85.